Benchmarking Gaussian Processes and Random Forests Surrogate Models on the BBOB Noiseless Testbed

Kód výsledku v IS VaVaI
<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F67985807%3A_____%2F15%3A00446912" target="_blank" >RIV/67985807:_____/15:00446912 - isvavai.cz</a>
Nalezeny alternativní kódy
RIV/00216208:11320/15:10334217
Výsledek na webu
<a href="http://dx.doi.org/10.1145/2739482.2768468" target="_blank" >http://dx.doi.org/10.1145/2739482.2768468</a>
DOI - Digital Object Identifier
<a href="http://dx.doi.org/10.1145/2739482.2768468" target="_blank" >10.1145/2739482.2768468</a>

Jazyk výsledku
angličtina
Název v původním jazyce
Benchmarking Gaussian Processes and Random Forests Surrogate Models on the BBOB Noiseless Testbed
Popis výsledku v původním jazyce
Speeding-up black-box optimization algorithms via learning and using a surrogate model is a heavily studied topic. This paper evaluates two different surrogate models: Gaussian processes and random forests which are interconnected with the state-of-the art optimization algorithm CMA-ES. Results on the BBOB testing set show that considerable amount of fitness evaluations can be saved especially during the initial phase of the algorithm's progress.
Název v anglickém jazyce
Benchmarking Gaussian Processes and Random Forests Surrogate Models on the BBOB Noiseless Testbed
Popis výsledku anglicky
Speeding-up black-box optimization algorithms via learning and using a surrogate model is a heavily studied topic. This paper evaluates two different surrogate models: Gaussian processes and random forests which are interconnected with the state-of-the art optimization algorithm CMA-ES. Results on the BBOB testing set show that considerable amount of fitness evaluations can be saved especially during the initial phase of the algorithm's progress.

Projekt
<a href="/cs/project/GA13-17187S" target="_blank" >GA13-17187S: Konstrukce pokročilých srozumitelných klasifikátorů</a><br>
Návaznosti
I - Institucionalni podpora na dlouhodoby koncepcni rozvoj vyzkumne organizace

Rok uplatnění
2015
Kód důvěrnosti údajů
S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název statě ve sborníku
GECCO Companion '15. Genetic and Evolutionary Computation Conference. Companion Material Proceedings
ISBN
978-1-4503-3488-4
ISSN
—
e-ISSN
—
Počet stran výsledku
8
Strana od-do
1143-1150
Název nakladatele
ACM
Místo vydání
New York
Místo konání akce
Madrid
Datum konání akce
11. 7. 2015
Typ akce podle státní příslušnosti
WRD - Celosvětová akce
Kód UT WoS článku
—

Podobné výsledky(10)